1、臨床導向：迴歸影像技術的起源和本質，關注臨床醫生的需求，為患者提供更為精準的診斷和治療建議為研究方向，而不是跟影像科超聲科醫生競賽診斷準確率。同心醫聯透過網際網路醫院服務近5萬名臨床醫生，將臨床醫生的需求作為所有技術研發的起點；
2、跨界融合：促進醫學成像技術+AI技術+影像診斷+臨床應用四個學科的跨界合作，才能開發出真正有臨床價值的產品，解決醫生和患者的實際問題。同心醫聯在全國擁有自營和合作影像中心超過300家，積累影像病歷超過850萬，具備了跨界融合的能力；
3、開放共贏：鑑於醫學複雜性，一個團隊不可能在所有疾病方向上都有所建樹。各方重點發展自己專業方向的同時，可以互相合作，取長補短，共同促進醫學新技術的臨床應用。
同心醫聯目前已經推出38個獨家智慧診斷產品，主要服務於心腦血管和腫瘤患者。同時，已經與近100家世界一流大學和科研機構如清華、北大、中科院等，建立緊密合作關係，發揮各自專長，將新技術更好地應用於臨床實踐。
本次釋出會上，同心醫聯還梳理了目前影像+AI行業的發展現狀，並提出了獨到的行業見解。
一、 影像AI技術現實挑戰
影像AI行業一方面獲取了大量資本追逐，另外一方面現實卻冰冷無比。一家大醫院往往有多家公司的肺結節診斷產品入駐，在實踐中，影像科醫生卻甚少使用。
原因在於，大部分影像AI公司，一開始都是從國外引入演算法，透過公開資料集訓練演算法，做自己公司的模型。後續透過跟大型醫院合作，獲取資料來訓練和應用模型。
為了吸引眼球和引起注意，部分公司還會組織人機大賽，組織影像超聲專家和AI演算法同臺較量，看哪方診斷更快更好。這種比賽由於眾所周知的原因，往往是AI演算法勝出，博得大眾關注，造成了技術很快可以取代醫生的錯誤認知。
當前期概念宣傳足夠後，影像AI公司開始申請二類、甚至三類醫療器械許可證，計劃以醫學輔助診斷軟體的名義，走代理商，按照招投標程式賣給公立醫院。一個基於大資料的現代科技，變成了醫療資訊化軟體銷售模式。
深度學習雖然帶來了全新的技術變革，但醫療專業度非常強，影像AI面對的技術問題需要從三個維度來考慮：
第一，不同的影像裝置成像原理不一樣，產生出來的資料也不同。例如X光和CT成像原理是相同的，影像相對簡單清晰，所以目前影像AI公司主要扎堆在這個領域，而核磁MRI因為其成像原理不同，複雜多變，難度較大，所以影像AI公司做核磁研究的非常少，相反世界頂尖的科學家研究核磁AI的非常多，因為核磁有無窮的探索空間。
第二是如何獲取標準化的影像資料。由於我國醫療的標準化水平較低，反映在醫療各個環節後續問題都很大。一樣的裝置，在不同的醫院，使用的是不同的影像掃描方法、序列和引數，產生資料質量的差異很大。
甚至很多基層醫院的影像資料都不符合DICOM協議，在這種條件下，AI演算法的魯棒性問題是個大問題，特別是如果拿到醫療器械註冊許可證之後，是不是能用一套演算法包打天下，是個現實難題。
第三是不同的疾病機理不一樣，AI要解決的技術問題也差異很大。有些只是測一測病變有沒有，病變大小，這個相對容易；但有些需要輔助診斷，或者做疾病預後評測，這個就難度大很多。
從實際臨床角度出發，由於醫學各個細分專業的不同，導致一個AI專家不可能解決所有問題。往往花費3-5年時間在一個細分領域（如心肌病、阿爾茨海默症、癲癇、帕金森等）有所成就，就已經難能可貴。
目前，影像AI公司大部分都是從肺結節和眼底造影入手，因為這兩個領域公開資料多、資料獲取相對便利，肺結節影像直觀、便於觀察診斷。之後往往都是做骨折、骨齡測量、乳腺癌病理、腦卒中等方向，這些研究方向主要都是從技術成熟度角度出發，而非從醫生日常應用場景出發。
就算技術問題解決了，商業化問題仍然是一個攔路虎。醫療企業分為兩類，第一類是公立醫院的輔助者，這類企業最多，都是圍繞公立醫院提供產品或服務的；第二類是公立醫院的替代者，包括民營醫院、第三方醫療服務等機構。
第一類企業又分為兩種，第一種是幫助醫院掙錢的公司，比如醫藥公司，器械公司，耗材公司等，醫院透過引入他們的產品可以創造更多的醫療專案，產生更多地經濟收入，這種公司業務推廣起來比較容易；第二種是幫助醫院提升效率，比如醫療資訊化廠商，透過IT手段改善醫院目前臨床流程和服務流程，提高運營和管理水平，這種公司業務並不能直接給醫院創造新的收益，所以市場開拓起來困難重重，應收賬款回款還特困難。
同理，如果影像AI公司只是幫助影像科醫生更快更好地做診斷，並不能創造出新的收入專案，更不可能真的精簡影像科醫生人力配置，市場前景不明確。
就算AI有一天真能取代影像科醫生了，以中國15萬影像科醫生，平均年薪10萬元人民幣計算，總共不過是150億的市場。相對於目前的資源投入，市場規模實在太小。
同心醫聯將影像技術和AI技術相結合，在自己的影像中心進行落地。同心醫聯按照醫療連鎖管理模式，建立了成熟的影像標準化體系，保證資料獲取標準化，同時應用在自身的影像中心，也避免了演算法通用適配性和魯棒性的問題。同時，在影像中心落地，可以有效將技術轉化成產品，透過給患者解決實際問題實現商業閉環，同心醫聯已經於2018年實現整體盈利。
二、被誤解的影像AI價值
那麼，影像AI的價值到底在哪裡？
影像AI不應該只解決影像科的問題，應該側重透過影像技術+AI技術解決臨床問題，這樣未來發展空間才是無限的。影像AI的應用領域可以分為兩大方向：
第一類方向是解決臨床需求的，比如神經外科、心臟內科等科室需求的。醫學影像自誕生之日起，就是透過成像技術解決臨床需求的專業，醫學影像是隨著基礎物理和生物醫學工程技術的發展而不斷髮展的。
幾乎所有的臨床科室都會需要影像學的支援，如果影像AI能夠解決臨床各個專業的現實問題，那麼所有醫生都會有需求，即透過數字化分析提供精準診斷和有效治療建議。
實踐為何困難？原因在於，從生物醫學工程、到計算機AI、到影像診斷學，再到臨床需求，橫跨了四個專業的知識鴻溝，如果不具備跨界整合的資源和能力，難度非常大。
第二類方向是解決影像科本身需求的，這裡面又分兩種情況：
第一種是影像掃描問題，即獲取影像資料時，如何提高效率和準確性的問題。這一點往往被大眾忽視。比如一個照相機拍出來的照片基礎不好，後面無論透過什麼樣的修圖軟體再去修圖，效果也難稱理想。
在國外，透過影像+AI技術進行快速成像，縮短檢查時間減少輻射等方面已經取得了很多成果。國內的不重視，原因在於公立醫院是主體，沒有強烈的動力去提升效率，無論患者量多少，每天完成的工作量穩定，患者太多就排隊；而民營醫院患者不夠多，也沒有需求；再加上國內影像輻射對人體危害沒有像國外那麼重視。這些技術是能大大提高影像科運營效率的，非常有價值。
第二種才是影像診斷，例如肺結節影像輔助診斷。但實際上，影像科醫生面臨的真實場景是：一個患者來做肺部CT檢查，影像科醫生事先並不知道患者的病症是什麼。所以拍出來的肺部CT，要對所有潛在病症進行診斷，肺部的常見病至少有10多種，如果只能看肺結節，並不是影像醫生的最佳幫手。
好比一篇文章可能有潛在的十種語法錯誤，AI只能幫助標記出一種，剩下九種錯誤還得自己重新去閱讀一遍文章篩查一遍，那麼這個AI應用意義不大。
特別是醫生還要把醫學影像從醫學影像儲存和傳輸系統（PACS）匯入AI系統，再把診斷結果倒回PACS系統這種來回折騰情況下。
影像醫生的真實需求是，AI把這個部位所有疑似病變（無論是哪種病變，只要是不正常的）都標記出來，影像醫生再診斷核對一遍，而不用100多張片子一張張重新看，這樣效率就會大大提高。然而，實現這個需求對於演算法和資料的要求都非常高，暫時還難以達到。
同心醫聯擁有自己全套的影像科醫生、技師、護士和市場團隊，可以有效滿足臨床醫生和患者的實際需求。同時，同心醫聯透過網際網路醫院配合臨床醫生，服務複診患者的後續問診、影像檢查、隨訪管理和藥事服務，保證形成所有技術可落地，形成服務閉環。
三、影像AI的未來發展
結合影像AI本身的技術特性和臨床應用，未來影像AI的發展方向應該側重以下四個方面：
一、以臨床需求為導向，將影像技術和AI技術整合，與影像醫生和臨床醫生緊密協作，做出能實際落地、對醫生有價值的產品。
二、由於醫療的專業性，每家公司應該都要找到自己的專業領域和細分方向，而不是一窩蜂的做同質化產品，同質化產品未來會帶來惡性競爭，也不利於行業長期發展。考慮到醫療研發週期很長，如果能專注自己的專業領域，隨著資料不斷積累和持續研究投入，競爭壁壘才會越來越高。
三、因為每家公司都不可能做全疾病病種、全影像裝置的業務覆蓋，開放協作、各取所長就會是一個必然趨勢，這樣才有助於醫學整體進步，也有助於AI技術真實落地。
四、靠投資生存，公司始終是在“生死倒數計時”。與現實結合，能夠盈利才是正途。
相比於網際網路醫療，AI技術有機會根本改變醫療供給端不足的問題，是更具深遠影響的技術變革。然而這場技術變革，還是要回歸初心，腳踏實地才能讓理想變為現實。